[发明专利]一种高光谱影像分类方法和存储介质

说明书

本发明提供了一种高光谱影像分类方法，高光谱影像分类方法包括：构建卷积网络和图注意力网络的加权融合模型；输入高光谱遥感图像至该模型，从而获取高光谱遥感图像的影像数据；对影像数据降维并去噪，利用去噪数据通过两个分支分别获取像素级特征和超像素级特征进行加权融合，然后迭代训练加权融合模型，利用交叉熵损失函数和反向传播函数对加权融合模型反复迭代训练，利用训练后的加权融合模型对高光谱影像进行像素级分类。本发明充分考虑了样本的多尺度深层特征，全面地考虑特征的各个尺度和层次，提高了分类精度。

技术领域

本发明涉及遥感图像处理技术领域，具体涉及基于卷积神经网络和图注意力网络加权融合一种高光谱影像分类方法和存储介质。

背景技术

高光谱遥感图像处理在物质信息探测方面有着重要的地位，是遥感领域的重要课题。高光谱遥感图像能提供连续的辐射光谱波段，承载着丰富的地物信息，能用于处理不同的应用领域，如房屋的变化检测、农作物评估、地质矿产资源调查等(Manolakis,Siracusaet al.,2001；Nasrabadi,N.M.,2014)。高光谱遥感图像处理领域中，分类问题是其中的一个主要任务，所谓高光谱影像分类即为确定每个高光谱影像像素点的类别。现有分类方法主要是基于卷积神经网络的方法研究，即使用卷积神经网络模型进行端到端的影像分类。

卷积神经网络作为一种深度学习模型，已经成功地运用到高光谱遥感图像分类中，基于卷积神经网络的方法能处理高维数据并对样本噪声有很好的鲁棒性，但是需要大量的先验训练样本，才能取得比较好的效果。但是，在高光谱影像分类应用中，高光谱遥感影像往往具有光谱可变性的特点，会导致目标训练样本极其有限，甚至只有单一的训练样本，训练样本和待预测影像的像元数目往往差别很大，从而没有足够的训练样本用于重新构造对测试样本同样有效的机器学习模型。如果直接将卷积神经网络直接用到高光谱影像分类中，并不能将模型很好的推广到整个数据集上，得到理想的分类结果。

发明内容

本发明解决的一个主要问题是如何利用有限的训练样本构建多特征表达模型，较好地处理不均衡训练样本的情况。

根据本发明的一个方面，本发明提供一种高光谱影像分类方法，所述高光谱影像分类方法包括：

构建卷积网络和图注意力网络的加权融合模型；

将高光谱遥感图像输入所述加权融合模型，从而获取所述高光谱遥感图像的影像数据；

对所述影像数据降维并去噪，得到去噪数据；

利用所述去噪数据迭代训练所述加权融合模型，训练步骤包括：

对所述去噪数据进行超像素特征嵌入和归一化，获得归一化数据；

利用空间注意力机制提取所述去噪数据中的空间注意力信息和通道注意力信息；

利用2维卷积神经网络对所述空间注意力信息和所述通道注意力信息抽取高光谱影像特征；

将抽取到的所述高光谱影像特征进行多维特征加权融合，获得复合超像素和像素级特征的特征信息，至此完成一次训练；

利用交叉熵损失函数和方向传播函数对所述加权融合模型反复迭代训练，获得训练好的所述加权融合模型；

利用训练后的所述加权融合模型对高光谱影像进行分类。

进一步地，所述对所述影像数据降维并去噪，得到去噪数据包括：

利用1维卷积神经网络处理对高光谱影像降维并去噪：